def testAndValidate(predict_index=0, dis_k=1):
# 正确的值
multilabel_list = pre_data_utils.preMultiLabels(
pre_data_utils.read_txt_data_train(),
pre_data_utils.piece_len,
isZu,
isTest=True)
multilabel_list = multilabel_list[pre_data_utils.
test_last_index:][predict_index]
true_out = [int(i) for i in multilabel_list]
# 原输入
dataList = pre_data_utils.preDataForMatrix(
pre_data_utils.read_txt_data_train(), pre_data_utils.piece_len, isZu)
dataList = dataList[pre_data_utils.test_last_index:][
predict_index] # 从倒数第10个样本作为测试样本
pre_list = pre_data_utils.guiyiDivideX(
[dataList], 1.0) # 以下代码将其归一化到0-1之间的浮点数，并在最后增加一维作为通道
rema, rema1, lengma, lengma1, wenma, wenma1, count_argsort = pre_data_utils.countReWenLeng(
dataList)
out = predict_multilabel(pre_list, dis_k)
print("dataList", dataList)
print('全:{}'.format(count_argsort))
print('热：{} 温:{} 冷：{} 热对：{} 温对:{} 冷对：{} '.format(
rema, wenma, lengma, rema1, wenma1, lengma1))
print("true_out", true_out)
print("out", out)
def testAndValidate(predict_index=0, dis_k=1):
# 正确的值
multilabel_list = pre_data_utils.preMultiLabels(
pre_data_utils.read_txt_data_train(),
pre_data_utils.piece_len,
isZu,
isTest=True)
multilabel_list = multilabel_list[pre_data_utils.
test_last_index:][predict_index]
true_out = [int(i) for i in multilabel_list]
# 原输入
dataList, rwld_list = pre_data_utils.preDataAndReWenLengDui(
pre_data_utils.read_txt_data_train(), pre_data_utils.piece_len, isZu)
dataList = dataList[pre_data_utils.test_last_index:][
predict_index] # 从倒数第10个样本作为测试样本
pre_list = pre_data_utils.guiyiDivideX(
[dataList], 10.0) # 以下代码将其归一化到0-1之间的浮点数，并在最后增加一维作为通道
rwld_list = rwld_list[pre_data_utils.test_last_index:][predict_index]
pre_list1 = pre_data_utils.guiyiDivideX([rwld_list], 10.0)
rema, rema1, lengma, lengma1, wenma, wenma1, count_argsort = pre_data_utils.countReWenLeng(
dataList)
# biao_cunt=[str(index)+"("+str(unmber)+")" for index, unmber in enumerate(count)]
out = predict_multilabel([pre_list, pre_list1], dis_k)
print("dataList", dataList)
print("rwld_list", rwld_list)
print('全:{}'.format(count_argsort))
print('热：{} 温:{} 冷：{} 热对：{} 温对:{} 冷对：{} '.format(
rema, wenma, lengma, rema1, wenma1, lengma1))
print("true_out", true_out)
print("out", out)
def testAndValidate(predict_index=0, dis_k=1):
# 正确的值
multilabel_list = pre_data_utils.preMultiLabels(
pre_data_utils.read_txt_data_train(),
pre_data_utils.piece_len,
isZu,
isTest=True)
multilabel_list = multilabel_list[pre_data_utils.
test_last_index:][predict_index]
true_out = [int(i) for i in multilabel_list]
# 原输入
dataList = pre_data_utils.preDataAdd0(pre_data_utils.read_txt_data_train(),
pre_data_utils.piece_len, isZu)
dataList = dataList[pre_data_utils.test_last_index:][
predict_index] # 从倒数第10个样本作为测试样本
pre_list = pre_data_utils.guiyiDivideX(
[dataList], 10.0) # 以下代码将其归一化到0-1之间的浮点数，并在最后增加一维作为通道
out = predict_multilabel(pre_list, dis_k)
print("dataList", dataList)
print("true_out", true_out)
print("out", out)
from py_nn_999.net import cnn_multilabel_net
from tensorflow import keras
from py_nn_999.utils import pre_data_utils
from tensorflow.keras.callbacks import Callback
import tensorflow.keras.backend as K
isZu = pre_data_utils.isZu # 是否组选
# 训练数据处理
dataList = pre_data_utils.preDataAndRWL1(pre_data_utils.read_txt_data_train(), pre_data_utils.piece_len, isZu)
dataList = dataList[pre_data_utils.train_first_index:pre_data_utils.train_last_index] # 从0至倒数第10个样本作为训练，剩下的作为测试样本
train_list = pre_data_utils.guiyiDivideX(dataList, 1.0) # 以下代码将其归一化到0-1之间的浮点数，并在最后增加一维作为通道 传入4维列表 4维度list转数组
# 标签(多标签)处理
multilabel_list = pre_data_utils.preMultiLabels(pre_data_utils.read_txt_data_train(), pre_data_utils.piece_len, isZu) #数据载入
multilabel_list = multilabel_list[pre_data_utils.train_first_index:pre_data_utils.train_last_index] # 从0至倒数第10个样本作为训练，剩下的作为测试样本
multilabel_vec = pre_data_utils.gen_multilabel_vec(multilabel_list, isZu)
# Keras中的6种accuracy介绍:https://zhuanlan.zhihu.com/p/95293440
model_train = cnn_multilabel_net.CNNMultiLabelModel(piece_len=pre_data_utils.piece_len, piece_width=pre_data_utils.piece_width, depth=1, isZu=isZu)
optimizer = keras.optimizers.Adam(0.005) # 经过测试，0.005的学习率对目前任务效果最佳
model_train.compile(optimizer=optimizer, loss='binary_crossentropy', metrics=['accuracy'])
model_train.summary()
# 自定义回调类，当loss小于某个值时，学习率设为0，不再更新,避免越过最优值
class LossHistory(Callback): # 继承自Callback类
def on_epoch_end(self, batch, logs={}):
print("\r")
loss = logs.get('loss')
if loss < 5e-04: